Meta reformula seu laboratório de IA e tenta superar OpenAI e Google

Principais destaques

• Seis lançamentos em seis meses: a família Muse avançou rapidamente, acompanhada de ferramentas de programação e modelos com pesos abertos.
• Bilhões para competir na fronteira: a Meta investiu cerca de US$ 14 bilhões na Scale AI e ampliou os gastos com infraestrutura de IA para uma faixa estimada entre US$ 50 bilhões e US$ 60 bilhões.
• Resultados promissores, mas sob escrutínio: o Muse Wonder Full aparece próximo dos melhores modelos em avaliações independentes, embora demonstrações públicas tenham levantado dúvidas sobre a generalização de suas capacidades.

A Meta passou de uma crise de credibilidade com o Llama 4, em abril de 2025, a uma sequência acelerada de lançamentos de inteligência artificial. Em outubro de 2026, a família Muse Wonder marca uma nova etapa dessa estratégia, com modelos que disputam espaço entre as principais soluções do mercado.

A mudança envolve muito mais do que novos algoritmos. Mark Zuckerberg reorganizou a estrutura de pesquisa, investiu bilhões de dólares em infraestrutura e recrutou especialistas de empresas concorrentes. O objetivo é reduzir a dependência tecnológica da Meta e colocar seus próprios modelos na fronteira da inteligência artificial.

O episódio do Llama 4 que abalou a confiança 🔎

O lançamento do Llama 4, em abril de 2025, deveria representar um salto importante para a Meta. Os modelos, porém, ficaram aquém das expectativas, e a situação piorou quando surgiu uma controvérsia envolvendo os resultados divulgados em rankings públicos.

A empresa havia submetido ao LMArena uma versão do Llama 4 Maverick ajustada para preferências humanas. Essa variante não correspondia exatamente ao modelo disponibilizado para download, segundo a controvérsia relatada no período. A própria plataforma questionou a interpretação da Meta sobre as regras de submissão.

O problema ultrapassava a disputa por posições em um ranking. Desenvolvedores e empresas utilizam avaliações independentes para comparar modelos antes de integrá-los a produtos. Se a versão avaliada não corresponde àquela que o público pode utilizar, a comparação perde parte de sua utilidade.

⚠️ O efeito colateral: a Meta passou a enfrentar uma questão de credibilidade justamente quando tentava convencer o mercado de que seus modelos poderiam competir com as soluções mais avançadas de OpenAI, Google e Anthropic.

Zuckerberg decidiu mudar as regras do jogo 💰

Em junho de 2025, a Meta investiu aproximadamente US$ 14 bilhões na Scale AI e trouxe seu fundador, Alexander Wang, para liderar uma nova divisão de pesquisa, a Meta Super Intelligence Labs.

A reorganização foi acompanhada por uma campanha agressiva de recrutamento, com ofertas de remuneração elevadas para atrair pesquisadores de empresas concorrentes. Em agosto daquele ano, a estrutura de inteligência artificial da companhia já havia passado por uma reformulação significativa.

A aposta era concentrar recursos em uma equipe capaz de produzir avanços rapidamente, em vez de depender apenas da estrutura de pesquisa que a empresa já possuía.

💡 A mudança central: a Meta deixou de tratar a IA de ponta apenas como uma extensão de seus produtos e passou a encará-la como uma capacidade estratégica que precisa controlar diretamente.

Zuckerberg também reconheceu que o investimento envolvia incertezas. Segundo o relato do artigo original, ele discutiu com Wang a possibilidade de comprometer entre US$ 100 bilhões e US$ 200 bilhões com essa ambição, mesmo sem garantias de sucesso.

O risco era considerável. Se a estratégia fracassasse, o custo não seria apenas financeiro: a empresa também teria perdido tempo e oportunidades para consolidar sua posição no mercado.

A infraestrutura que sustenta a corrida 🏗️

Treinar e operar modelos avançados exige muito mais do que contratar pesquisadores. São necessários centros de dados, aceleradores de IA, redes de alta velocidade, energia e sistemas de armazenamento em grande escala.

Segundo os números apresentados no texto original, Zuckerberg estimou os gastos com infraestrutura de inteligência artificial da Meta entre US$ 50 bilhões e US$ 60 bilhões. Um complexo de centros de dados com capacidade da ordem de um gigawatt poderia custar aproximadamente US$ 15 bilhões por ano para operar, conforme a estimativa citada.

Dois projetos ilustram a dimensão dessa ambição:

• Prometheus: complexo de infraestrutura em Ohio que, segundo o artigo, já supera um gigawatt de capacidade.
• Hyperion: projeto na Louisiana cuja expansão foi planejada para alcançar até cinco gigawatts.

A escala ajuda a explicar por que a disputa entre grandes empresas de tecnologia se tornou também uma competição por energia, capacidade computacional e disponibilidade de chips.

Não basta desenvolver um modelo que obtenha bons resultados em laboratório. É preciso ter recursos para treiná-lo, atualizá-lo, atender milhões de usuários e executar tarefas complexas de forma confiável.

Da família Muse à disputa pelos modelos de ponta 🚀

Com o novo laboratório estruturado, a Meta acelerou o ritmo de lançamentos. O artigo descreve uma sequência que começa com o Muse Spark e avança pelas versões posteriores até chegar ao Muse Wonder e ao Muse Wonder Full.

A evolução relatada inclui ferramentas especializadas e modelos destinados a diferentes públicos, não apenas chatbots convencionais.

O Muse Glimmer merece atenção especial por seguir uma estratégia diferente da dos modelos fechados. Com 30 bilhões de parâmetros e licença Apache 2.0, segundo o artigo, ele foi projetado para funcionar em uma GPU de consumo com 24 GB de memória.

Isso permite que desenvolvedores experimentem o modelo em infraestrutura própria, sem necessariamente depender de uma API comercial.

Os números melhoraram. Mas o que eles realmente medem? 📊

O artigo apresenta uma trajetória de evolução no índice de inteligência da Artificial Analysis, que combina diferentes avaliações de desempenho.

O Muse Wonder Full teria alcançado 56 pontos, contra 58 do Claude Opus 5.5. A diferença é pequena nessa avaliação, mas não significa que os dois modelos sejam equivalentes em todas as tarefas.

O índice reúne testes de programação, raciocínio, tarefas econômicas e outras capacidades. Uma pontuação agregada elevada indica amplitude de desempenho, mas não garante que o modelo seja igualmente bom em redação, pesquisa, geração de imagens ou execução de tarefas cotidianas.

E os testes de programação e trabalho profissional?

O artigo também relata resultados favoráveis ao Wonder Full em avaliações de programação de longa duração, automação de processos empresariais e tarefas jurídicas.

Entre os números apresentados estão:

• Deep SWE 1.1: 79% para o Wonder Full e 78,8% para o Wonder.
• SWE Marathon: 57,5% para o Wonder Full, contra 46,3% para o Claude Opus 5.5.
• Val Index: quinto lugar geral para o Wonder Full, com 64,57% de precisão, segundo o texto.

Esses números precisam ser interpretados com cuidado. Resultados obtidos em tarefas específicas não demonstram superioridade universal, e a metodologia, a disponibilidade dos modelos e as condições de teste influenciam a comparação.

Além disso, os resultados divulgados pela própria Meta em avaliações internas não têm o mesmo grau de independência de um teste realizado por terceiros.

O fantasma do Llama 4 voltou a aparecer 👀

Poucas horas após o lançamento do Muse Wonder, usuários começaram a publicar demonstrações em que o modelo falhava em tarefas relativamente simples de geração de conteúdo.

Isso provocou acusações de benchmaxing, termo usado para descrever a otimização excessiva de um modelo para obter bons resultados em benchmarks, sem que os ganhos se traduzam necessariamente em melhor desempenho geral.

A suspeita é especialmente delicada para a Meta por causa do episódio envolvendo o Llama 4.

Há, contudo, três explicações possíveis para a diferença entre os resultados divulgados e as experiências de usuários:

• O modelo pode estar excessivamente ajustado a formatos de avaliação específicos.
• O treinamento pode privilegiar programação, agentes e tarefas profissionais em detrimento de outras habilidades.
• O produto pode apresentar limitações reais que ainda não foram corrigidas após o lançamento.

O texto também observa que, no momento da avaliação mencionada, o Val Index indicava que o Muse Wonder Full não possuía API pública. Isso limita a possibilidade de testes externos reproduzíveis em condições comparáveis.

🔬 O ponto decisivo: a discussão não é apenas sobre quem lidera um ranking, mas sobre a capacidade de reproduzir os resultados em situações reais, com tarefas variadas e critérios transparentes.

A Meta está abandonando a abertura do Llama?

Uma das mudanças mais importantes da estratégia é a diferença entre o modelo de negócios do Llama e o da família Muse.

Durante anos, a Meta utilizou modelos de pesos abertos para atrair desenvolvedores e ampliar sua influência no ecossistema de IA. Essa abordagem permitiu que empresas e pesquisadores adaptassem modelos, construíssem aplicações próprias e experimentassem novas soluções.

O Muse Wonder e o Wonder Full, segundo o artigo, seguem um caminho diferente: são modelos fechados.

Isso aproxima a estratégia da Meta daquela adotada por empresas como OpenAI e Anthropic em seus modelos mais avançados. A companhia mantém alternativas de pesos abertos, como o Muse Glimmer, mas não oferece necessariamente o mesmo grau de acesso em todas as categorias de produtos.

A distinção é importante: modelos de pesos abertos não são automaticamente equivalentes a software de código aberto em todos os sentidos, e licenças, dados de treinamento e restrições de uso variam de um projeto para outro.

O próximo campo de batalha são os agentes de IA 🤖

O Muse Wonder foi apresentado com foco em agentes pessoais e profissionais, e não apenas em conversas ou pontuações de benchmarks.

O artigo destaca dois conceitos associados à família: active memory e active focus. A proposta é permitir que os sistemas utilizem informações relevantes ao longo do tempo e concentrem esforços nas tarefas que realmente importam.

Essa orientação aponta para uma disputa maior do que a geração de texto. Agentes de IA podem ser capazes de planejar etapas, utilizar ferramentas, navegar por sistemas e executar fluxos de trabalho com diferentes graus de autonomia.

Para a Meta, há uma vantagem potencial na integração desses recursos aos produtos que já alcançam bilhões de pessoas, como Instagram e WhatsApp, além de seus dispositivos de hardware, incluindo óculos inteligentes.

Mas essa oportunidade depende de fatores que não aparecem integralmente em rankings: confiabilidade, privacidade, custo por tarefa, integração com serviços e capacidade de corrigir erros sem exigir intervenção constante.

O que observar daqui para a frente

A reconstrução do laboratório de IA da Meta mostra como a competição mudou. Capital, pesquisadores e capacidade computacional são essenciais, mas não bastam para garantir liderança duradoura.

A empresa conseguiu apresentar uma sequência rápida de modelos e resultados competitivos, de acordo com o material fornecido. Agora precisa demonstrar que os avanços são consistentes, úteis fora dos testes e sustentáveis em escala comercial.

A pergunta que fica é se a Meta conseguirá transformar essa recuperação técnica em uma vantagem duradoura para seus produtos, sem repetir os problemas de confiança que marcaram a estreia do Llama 4.